آموزش تشخیص تقلب در پایتون

دانلود Fraud Detection in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یک پروژه یادگیری ماشینی موثر برای شناسایی موارد جرم مالی بسازید. استفاده از Python برای تجزیه و تحلیل نمونه مجموعه داده های کلاهبرداری کارت اعتباری آموزش و بهبود مدل های مختلف یادگیری ماشینی تحت نظارت برای تشخیص تقلب ایجاد و تفسیر معیارهای عملکرد مربوط به تشخیص تقلب انتخاب مدل طبقه بندی بهینه بر اساس معیارهای مختلف استفاده از استراتژی های مختلف برای بهبود عملکرد کلاهبرداری خود مدل های تشخیص پیش نیازها: با زبان برنامه نویسی پایتون آشنا باشید. درک اصول پایه علم داده و یادگیری ماشین.

اگر علاقه مند به کشف کلاهبرداری با استفاده از یادگیری ماشین هستید، این دوره برای شما مناسب است!

تقلب یک مشکل بزرگ برای بسیاری از سازمان‌های مدرن است، زیرا بازیگران بد هم از نظر روش‌شناسی و هم توانایی فنی به طور فزاینده‌ای پیچیده می‌شوند. بنابراین کشف تقلب مشکل مهمی است که هرگز به طور کامل حل نخواهد شد. با گذراندن این دوره، شما با یک مجموعه مهارت قابل استخدام که احتمالاً مرتبط خواهد بود و برای سال‌های آینده، سطح بالایی خواهید داشت.

این دوره توسط خود من، دانشمند داده اصلی با مدرک دکترا در یادگیری ماشین و تخصص در دنیای واقعی در به کارگیری مدل‌های یادگیری ماشینی تولید برای کشف تقلب در صنعت خدمات مالی، ایجاد شده است.

در این دوره، دانش آموزان با مشکل تقلب در صنعت آشنا می شوند و چگونه می توان آن را از طریق معرفی روش های مختلف یادگیری ماشین حل کرد. من شما را از طریق یک مثال مشکل تشخیص تقلب راهنمایی می کنم، که در آن به طور عملی با مدل های ساختمانی با استفاده از پایتون آشنا خواهید شد. این شامل پیمایش مشکل چالش برانگیز تقلب می شود، جایی که باید توجه ویژه ای به ماهیت بسیار نامتعادل داده ها داده شود.

دروس تحت پوشش این دوره عبارتند از:

  • درس 1 - مقدمه ای بر کشف تقلب: تشخیص ناهنجاری، عدم تعادل کلاس

  • درس 2 - آموزش یک مدل یادگیری ماشینی نظارت شده برای شناسایی تقلب: رگرسیون لجستیک، XGBoost، بهبود عملکرد از طریق بهینه سازی هایپرپارامتر

  • درس 3 - معیارهای عملکرد برای کشف تقلب: ماتریس سردرگمی، هزینه طبقه‌بندی اشتباه، پارادوکس دقت، اجرای معیارها در scikit-learn

  • درس 4 - انتخاب مدل بهینه: بهینه سازی آستانه با استفاده از معیارهای عملکرد، بهینه سازی آستانه با استفاده از هزینه تقلب، مقدمه ای بر Streamlit، ساخت یک شبیه ساز آستانه برای بازرسی بصری

  • درس 5 - استراتژی های بهبود عملکرد مدل: تکنیک های نمونه گیری

هر درس مبتنی بر دانش عملی به دست آمده در درس‌های قبل است و به دانش‌آموزان اجازه می‌دهد تا یک پروژه پایان‌به‌پایه تکمیل‌شده را به عنوان خروجی نهایی دوره تولید کنند. این پروژه می‌تواند به عنوان بخش مهمی از مجموعه پروژه‌های دانش‌آموزان باشد و به جستجوی شغل و تلاش‌های توسعه حرفه‌ای آنها کمک کند.

پشته فناوری Python مورد استفاده در این دوره شامل موارد زیر است: pandas، numpy، matplotlib، scikit-learn، seaborn، XGBoost، Streamlit و imblearn.


سرفصل ها و درس ها

معرفی دوره Introduction to the course

  • نسخه ی نمایشی پروژه کشف تقلب هیجان انگیز ما! Our exciting Fraud Detection project demo!

  • نصب نرم افزار مورد نیاز Installing the required software

مقدمه ای بر کشف تقلب Introduction to Fraud Detection

  • تشخیص ناهنجاری چیست؟ What is Anomaly Detection

  • تشخیص تقلب چیست؟ What is Fraud Detection

  • کاوش در مجموعه داده های کلاهبرداری کارت اعتباری Exploring the Credit Card Fraud Data Set

  • مدیریت برچسب ها در زمینه تشخیص تقلب Managing Labels in a Fraud Detection Context

  • نمونه برداری با عدم تعادل طبقاتی Sampling with a Class Imbalance

  • مقدمه ای بر آزمون تشخیص تقلب Introduction to Fraud Detection Quiz

آموزش یک مدل یادگیری نظارت شده Training a Supervised Learning Model

  • آموزش یک مدل رگرسیون لجستیک پایه با استفاده از Sicit-Learn Training a Baseline Logistic Regression Model using scikit-learn

  • بهبود مدل رگرسیون لجستیک از طریق انتخاب فراپارامتر Improving the Logistic Regression Model through Hyperparameter Selection

  • تفسیر مدل رگرسیون لجستیک Interpreting the Logistic Regression Model

  • آموزش مدل XGBoost Training an XGBoost Model

  • بهبود مدل XGBoost از طریق انتخاب Hyperparameter Improving the XGBoost Model through Hyperparameter Selection

  • تفسیر مدل XGBoost Interpreting the XGBoost Model

  • آموزش یک آزمون مدل یادگیری نظارت شده Training a Supervised Learning Model Quiz

معیارهای عملکرد برای تشخیص تقلب Performance Metrics for Fraud Detection

  • درک هزینه طبقه بندی اشتباه Understanding the Cost of Misclassification

  • پارادوکس دقت The Accuracy Paradox

  • پیاده سازی معیارهای عملکرد در یادگیری اسکی Implementing Performance Metrics in scikit-learn

  • معیارهای عملکرد برای آزمون تشخیص تقلب Performance Metrics for Fraud Detection Quiz

انتخاب مدل بهینه Optimal Model Selection

  • بهینه سازی آستانه با استفاده از معیارهای عملکرد Threshold Optimization using Performance Metrics

  • بهینه سازی آستانه با استفاده از هزینه کل تقلب Threshold Optimization using Total Cost of Fraud

  • مقدمه ای بر Streamlit Introduction to Streamlit

  • ساخت یک شبیه سازی آستانه برای بازرسی بصری Building a Threshold Simulation for Visual Inspection

  • آزمون انتخاب مدل بهینه Optimal Model Selection Quiz

استراتژی هایی برای بهبود عملکرد مدل Strategies for Improving Model Performance

  • نمونه برداری از کلاس اقلیت با SMOTE Up-sampling the Minority Class with SMOTE

  • آزمون استراتژی های بهبود عملکرد مدل Strategies for Improving Model Performance Quiz

نمایش نظرات

آموزش تشخیص تقلب در پایتون
جزییات دوره
2 hours
21
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
451
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Richard Ball, PhD Richard Ball, PhD

دانشمند اصلی داده